时间戳

首页 > 解决方案 > 使用 PANDAS 代替 Spark

pandas - 使用 PANDAS 代替 Spark

问题描述

背景：我正在使用 Zeppelin Notebook 进行分析。目标是使用 Pandas 数据框而不是使用 pySpark 数据框。Pandas 有一些我正在使用的统计功能。编写 .py 文件以使用示例数据文件测试所有计算等。

用例：我的数据文件（CSV 格式）有模拟数据。通常列数为 45,000。目前我有兴趣阅读前 20,000 列。行数通常为 200。

print('1 : ' , datetime.now())
sparkDF=spark.read.csv(filePath + '/' + filename,header=True,maxColumns=50000)
print('Built sparkDF with Rows: ' , sparkDF.count() , ' Column Count: ' , len(sparkDF.columns))
print('2 : ' , datetime.now())
sparkDF1 = sparkDF.select(sparkDF.columns[0:20000])
print('Built sparkDF1 with Rows: ' , sparkDF1.count() , ' Column Count: ' , len(sparkDF1.columns))
print('3 : ' , datetime.now())
exposures = sparkDF1.toPandas()
print('Built exposures with Rows: ' , exposures.shape[0] , ' Column Count: ' , exposures.shape[1])
print('4 : ' , datetime.now())

1 :  2019-10-17 16:34:06.725326
Built sparkDF with Rows:  107  Column Count:  40002
2 :  2019-10-17 16:40:04.171931
Built sparkDF1 with Rows:  107  Column Count:  20001
3 :  2019-10-17 16:51:12.465739
Built exposures with Rows:  107  Column Count:  20001
4 :  2019-10-17 16:58:25.65423

问题：

  1. Pandas 无法读取 HDFS 上的数据文件。
  2. 为了规避这个问题，我使用 spark 读取文件，然后转换为 pandas。

构建数据框的时间相当长。

我必须处理 2900 个这样的文件。需要一些建议和替代品。

标签： pandasdataframepysparkapache-zeppelin

解决方案

我看到您正在从文件路径读取多个文件。要优化此过程，您可以做的是读取.csv文件的整个目录，而不是一次读取一个文件（前提是所有文件的架构都相同，看起来像您的情况）：

file_path = "hdfs://path/to/multiple/files/"

df = (
        spark.read.format("com.databricks.spark.csv")
            .options(header="true", inferSchema="true")
            .load(file_path)
    )
pdf = df.toPandas()

这将在一定程度上优化您的 I/O。即使您在同一个文件夹中有 10 个文件或 200 个文件或 2900 个文件，与单独读取一个文件相比，您的读取速度也会更快。

注意：上述解决方案不适用于嵌套文件夹。

推荐阅读